Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

Course Plan, Fall 2026 — Mathematical Foundations of Data Science

برنامهٔ درس مبانی ریاضی علوم داده — ۸ هفتهٔ پایانی، پاییز ۱۴۰۵

گروه علوم کامپیوتر، دانشکدهٔ علوم ریاضی، دانشگاه فردوسی مشهد — محمود امین‌طوسی

نسخهٔ تاریخ‌دار. مبنا: سرفصل رسمی misc/Course-Syllabus.pdf، محتوای notebooks/ و فهرست myst.yml. اولین جلسهٔ باقی‌مانده: شنبه ۲۳ آبان ۱۴۰۵ (۱۴ نوامبر ۲۰۲۶)؛ آخرین جلسه: دوشنبه ۱۴ دی ۱۴۰۵ (۴ ژانویهٔ ۲۰۲۷).

شبکهٔ زمانی هفتگی

روزساعتمدت جلسهذخیره
شنبه۱۶:۰۰–۱۸:۰۰۹۰′۳۰′
دوشنبه۱۶:۰۰–۱۸:۰۰۹۰′۳۰′

یعنی در هفته ۱۸۰ دقیقه درس، و در ۸ هفته ۱۶ جلسهٔ ۹۰ دقیقه‌ای. آن ۳۰ دقیقهٔ اضافیِ هر جلسه ذخیره است، نه بخشی از برنامه: برای پرسش‌وپاسخ، رفع اشکال نصب پایتون، یا جبران عقب‌افتادگی یک جلسه. اگر لازم نشد، تعطیل می‌شود.


۱. فرض‌ها

  1. مخاطب: دانشجوی ارشد ریاضی، گرایش علوم داده. جبرخطی و احتمال در سطح کارشناسی ریاضی می‌دانند.

  2. هر جلسه یک نوت‌بوک آماده دارد که دانشجو اجرا می‌کند و پارامتر را عوض می‌کند؛ مهارت برنامه‌نویسی در تکلیف‌ها و با پشتیبانی دستیار تمرین می‌شود.

  3. چه چیزی در این درس گفته نمی‌شود (هم‌پوشانی با درس‌های دیگر، طبق هماهنگی بین اساتید): ماشین بردار پشتیبان، ماتریس انتقال. این دو در درس دیگری ارائه می‌شوند و در برنامهٔ زیر جایگاهی ندارند؛ از خانوادهٔ مدل‌های خطی فقط پرسپترون، SGD و حقهٔ کرنل می‌آید، چون ریاضیات آن‌ها همان جبرخطی و بهینه‌سازی خودِ این درس است.

  4. ارزیابی: ۷ تکلیف عملی + امتحان پایانی. سمینار دانشجویی و پروژهٔ پایانی در این درس نداریم؛ بار ارزیابی روی تکلیف‌ها می‌نشیند، که با کدِ سبک و خروجی عددی تعریف شده‌اند.


۲. بودجهٔ زمان

مؤلفهمحاسبهدقیقه
درس، شنبه‌ها۸ × ۹۰۷۲۰
درس، دوشنبه‌ها۸ × ۹۰۷۲۰
جمع زمان درس۱۴۴۰
محتوای ۱۶ جلسه (بخش ۴)۱۶ × ۸۵۱۳۶۰

۳. تقویم با تاریخ

از ابتدای ترم مواردی تدریس شده است و در ۸ هفته آینده مطابق برنامه زیر خواهد بود:

#روز · ساعتتاریخ شمسیمیلادیموضوعتکلیف
S1شنبه ۱۶–۱۸۲۳ آبان۱۴ نوامبرk-means از دید بهینه‌سازی + آزمایش قطعه‌بندیHW1 منتشر
S2دوشنبه ۱۶–۱۸۲۵ آبان۱۶ نوامبراعتبارسنجی خوشه‌بندی و انتخاب KK—
S3شنبه ۱۶–۱۸۳۰ آبان۲۱ نوامبررگرسیون خطی، گرادیان، SGD، پرسپترون و یادگیری آنلاینHW1 موعد · HW2 منتشر
S4دوشنبه ۱۶–۱۸۲ آذر۲۳ نوامبرشبکهٔ عصبی: MLP و پسانتشار—
S5شنبه ۱۶–۱۸۷ آذر۲۸ نوامبرماتریس نزدیکی، عدم تشابه، k-medoidsHW2 موعد · HW3 منتشر
S6دوشنبه ۱۶–۱۸۹ آذر۳۰ نوامبرخوشه‌بندی سلسله‌مراتبی + مطالعهٔ تومور—
S7شنبه ۱۶–۱۸۱۴ آذر۵ دسامبرروش‌های نمونه: VQ، LVQ، SOMHW3 موعد · HW4 منتشر
S8دوشنبه ۱۶–۱۸۱۶ آذر۷ دسامبرهندسهٔ بُعد بالا—
S9شنبه ۱۶–۱۸۲۱ آذر۱۲ دسامبرپیامدهای بُعد بالا، تصویر تصادفی، نمونه‌برداری فشردهHW4 موعد · HW5 منتشر
S10دوشنبه ۱۶–۱۸۲۳ آذر۱۴ دسامبرجعبه‌ابزار جبرخطی برای PCA—
S11شنبه ۱۶–۱۸۲۸ آذر۱۹ دسامبرSVD و تقریب کم‌مرتبهHW5 موعد · HW6 منتشر
S12دوشنبه ۱۶–۱۸۳۰ آذر۲۱ دسامبرPCA: دو اشتقاق و انتخاب مؤلفه—
S13شنبه ۱۶–۱۸۵ دی۲۶ دسامبرخوشه‌بندی طیفیHW6 موعد · HW7 منتشر
S14دوشنبه ۱۶–۱۸۷ دی۲۸ دسامبرگراف تصادفی و گذر فاز—
S15شنبه ۱۶–۱۸۱۲ دی۲ ژانویهٔ ۲۰۲۷قدم زدن تصادفی، PageRank، MCMCHW7 موعد
S16دوشنبه ۱۶–۱۸۱۴ دی۴ ژانویهٔ ۲۰۲۷روش‌های کرنلی، جمع‌بندی و راهنمای امتحان—

چرا این ترتیب. خوشه‌بندی (S1، S2) دنبالهٔ چیزی است که شروع شده و با یک بلوک بسته می‌شود. بعد رگرسیون و پرسپترون (S3) می‌آید، نه در پایان ترم: همان دستگاه گرادیان و آموزش دسته‌ای/آنلاین است که بعد از خوشه‌بندی جا می‌افتد، پیش‌نیاز شبکهٔ عصبی S4 است، و راه را برای «تابع تصمیم خطی → حاشیه → کرنل» در S16 باز می‌کند. بقیهٔ خوشه‌بندی (S5–S7) بلوک را کامل می‌کند؛ بُعد بالا (S8، S9) پیش از جبرخطی می‌آید تا انگیزهٔ PCA و تصویر تصادفی از قبل ساخته باشد؛ جبرخطی → SVD → PCA → طیفی (S10–S13) یک زنجیر پیوسته است؛ گراف تصادفی (S14) پیش از قدم زدن تصادفی می‌آید تا «گراف به‌عنوان داده» جا افتاده باشد؛ و S15 با MCMC، S16 را با کرنل و جمع‌بندی تحویل می‌دهد.

نسبت به نسخهٔ قبلی، دو جلسه کم شد. با افزودن S3 و S4، جلسات S5–S13 همان محتوای S3–S11 قبلی‌اند و پنج جلسهٔ آخر به سه جلسه فشرده شد: SVM و ماتریس انتقال (درس‌های دیگر) حذف شدند، مبانی مارکف که به ماتریس انتقال وابسته بود در S15 به قدم زدن تصادفی و PageRank و MCMC فشرده شد، و HMM و مدل‌های گرافی به خواندن آزاد و درس‌های بعدی موکول شدند.


۴. جزئیات جلسه‌به‌جلسه

نشانه‌ها: ✅ صفحهٔ آماده در مخزن · 🔨 صفحه نیاز به نوشتن/بازنویسی دارد (بخش ۷).

S1 — شنبه ۲۳ آبان · k-means از دید بهینه‌سازی

۲۰′ یادآوری افراز، تابع هدف SSE=∑k∑x∈Ck∥x−μk∥2\mathrm{SSE}=\sum_k\sum_{x\in C_k}\|x-\mu_k\|^2 · ۳۰′ الگوریتم لوید: دو گام، اتحاد ∑x,x′∈C∥x−x′∥2=2∣C∣∑x∈C∥x−μC∥2\sum_{x,x'\in C}\|x-x'\|^2 = 2|C|\sum_{x\in C}\|x-\mu_C\|^2 و اینکه هر گام SSE را کاهش می‌دهد، پس همگرایی متناهی است · ۱۵′ پیچیدگی O(nKd)O(nKd)، حساسیت به مقدار اولیه، k-means++ · ۲۰′ لب: قطعه‌بندی تصویر با K=2,4,8K=2,4,8 و جدول inertia ✅ Image-Segmentation-K-Means · ۵′ جمع‌بندی و HW1. کلید: k-means یک بهینه‌سازی متناوب است، نه جست‌وجوی کلی؛ و «خوشه» تعریف هندسی دارد.

S2 — دوشنبه ۲۵ آبان · اعتبارسنجی خوشه‌بندی

۲۵′ معیارهای بیرونی: جدول توافقی، purity، Rand، Jaccard، ARI و NMI با محاسبهٔ دستی یک مثال ۳×۳ · ۲۵′ معیارهای درونی: silhouette روی شش نقطهٔ دوبعدی، با عدد · ۲۰′ انتخاب KK: elbow، silhouette، Gap statistic (شهود و دلیل) · ۱۵′ لب: iris با K=2..6K=2..6، جدول ARI/v-measure ✅ Clustering-Validation-Metrics, Silhouette-clustering, Practical-Issues-Cluster-Number · ۵′. کلید: معیار درونی قابل بهینه‌سازی است؛ «بیشترین silhouette» همیشه «بهترین خوشه‌بندی» نیست.

S3 — شنبه ۳۰ آبان · رگرسیون خطی، SGD، پرسپترون و یادگیری آنلاین

۱۰′ صورت مسئلهٔ یادگیری: ریسک تجربی و واقعی، بیش‌برازش، تفکیک آموزش/آزمون (با اشاره به Learning-Foundations به‌عنوان خواندن) · ۲۰′ مدل خطی و معادلات نرمال: w^=(X⊤X)−1X⊤y\hat w = (X^\top X)^{-1}X^\top y، شرط حل‌پذیری، هزینهٔ O(nd2+d3)O(nd^2+d^3) ✅ Linear-Regression-Perceptron-and-Online-Learning · ۲۵′ گرادیان نزولی و SGD: نرخ یادگیری، دسته، مسیر کاهش تابع هزینه، هم‌ارزی دسته‌ای و آنلاین (همان نوتبوک، بخش Using PyTorch auto grad) · ۲۵′ پرسپترون: تابع امتیاز خطی، قاعدهٔ w←w+ηyixiw \leftarrow w+\eta y_i x_i، مرز تصمیم، قضیهٔ همگرایی و کران (R/γ)2(R/\gamma)^2 با ایدهٔ اثبات، پرسپترون = SGD روی زیان لبه (hinge)، عدم تفکیک‌پذیری XOR · ۱۰′ لب: شمارش خطا در برابر کران، XOR و جست‌وجوی کامل روی خطوط (بهترین دقت ۳/۴) · ۵′ جمع‌بندی. کلید: پرسپترون الگوریتم جداگانه‌ای نیست؛ همان گرادیان نزولی با زیان و گام دیگر است، و کران خطا فقط به «حاشیه» و «شعاع» داده بستگی دارد، نه به nn و dd.

S4 — دوشنبه ۲ آذر · شبکهٔ عصبی: MLP و پسانتشار

۱۵′ از مدل خطی به لایهٔ پنهان: ترکیب خطی + فعال‌ساز غیرخطی، و اینکه چرا بدون غیرخطی هیچ لایه‌ای قدرت بیشتری ندارد · ۲۵′ پسانتشار: قاعدهٔ زنجیره روی گراف محاسباتی، یک پاس دستی با اعداد، ∂L/∂w\partial\mathcal{L}/\partial w در هر لایه ✅ MLP-and-Backpropagation · ۲۰′ تنسورها و autograd در PyTorch: requires_grad، گراف، backward()، zero_grad · ۲۵′ لب: رگرسیون با یک نورون، سپس MLP روی دادهٔ غیرخطی، XOR با دو واحد پنهان، دسته‌بندی دودویی و چندکلاسه (BCE/CE، softmax) · ۵′ جمع‌بندی و HW2. کلید: پسانتشار چیزی جز قاعدهٔ زنجیره روی یک گراف جهت‌دار نیست؛ و «شبکهٔ عمیق‌تر» تضمین بهترشدن نیست.

S5 — شنبه ۷ آذر · نزدیکی، عدم تشابه، k-medoids

۲۰′ ماتریس نزدیکی؛ متریک در برابر عدم تشابه (مثلثی نامساوی ممکن است نداشته باشد) · ۲۵′ k-medoids و PAM: چرا میانگین فقط برای فاصلهٔ اقلیدسی مرکز بهینه است (میانه برای L1L_1، مدوئید برای ماتریس دلخواه) · ۲۰′ هزینهٔ O(K(n−K)2)O(K(n-K)^2) و مقایسه با لوید · ۲۰′ لب: k-medoids روی دادهٔ اسمی/دورافتاده ✅ Proximity-Matrices-and-Dissimilarity, K-Medoids · ۵′.

S6 — دوشنبه ۹ آذر · سلسله‌مراتبی و مطالعهٔ تومور

۲۵′ پیوند تک/کامل/میانگین/Ward؛ اثر زنجیره‌ای تک‌پیوند؛ تفسیر دندروگرام و برش · ۲۰′ انتخاب تعداد خوشه از دندروگرام، پایداری · ۲۰′ مطالعهٔ موردی: ۶۴ نمونه، ۶۸۳۰ ژن، دو کلاس واقعی، و اینکه چرا خوشه‌بندی در اینجا «کشف» است نه پیش‌بینی ✅ Tumor-Microarray-Example · ۲۰′ لب: four linkages روی یک مجموعه و دندروگرام ✅ Hierarchical-Clustering · ۵′.

S7 — شنبه ۱۴ آذر · روش‌های نمونه

۲۰′ کوانتیزاسیون برداری: کدک، نرخ–اعوجاج، رابطه با k-means ✅ Vector-Quantization · ۲۵′ LVQ: نمونه‌های برچسب‌دار، مرز نزدیک‌ترین نمونه، تفاوت با k-means ✅ Learning-Vector-Quantization · ۲۵′ SOM: نگاشت گرافی روی شبکهٔ کم‌بُعد، همسایگی و به‌روزرسانی، تعبیهٔ توپولوژی ✅ Self-Organizing-Maps · ۱۵′ لب: SOM روی دادهٔ دوبعدی · ۵′.

S8 — دوشنبه ۱۶ آذر · هندسهٔ بُعد بالا

۲۰′ قانون اعداد بزرگ و اینکه «فاصله» در بُعد بالا معنای شهودی‌اش را از دست می‌دهد · ۲۵′ مکعب و کره: نسبت حجم، پوستهٔ نازک، زاویهٔ دو بردار تصادفی · ۲۵′ شبیه‌سازی: max⁡/min⁡\max/\min فاصلهٔ جفتی برحسب dd ✅ High-Dimensional-Data-and-The-Curse-of-Dimensionality, High-Dimensional-Sampling · ۱۵′ پیامد برای kNN و k-means ✅ High-Dimensional-Data-and-kNN, High-Dimensional-Data-and-K-Means · ۵′.

S9 — شنبه ۲۱ آذر · پیامدها، تصویر تصادفی، نمونه‌برداری فشرده

۲۵′ افت kNN با بُعد؛ چرا روش‌های محلی بی‌فایده می‌شوند؛ اشاره به hubness · ۲۵′ لم جانسون–لیندن‌اشتراوس: m=O(ε−2log⁡n)m = O(\varepsilon^{-2}\log n) و شهود اثبات (شمارش جفت‌ها + اتحاد union bound) ✅ Random-Projection · ۲۵′ نمونه‌برداری فشرده: تُنُکی، m≳slog⁡(n/s)m \gtrsim s\log(n/s)، بازیابی با کمینه‌سازی ℓ1\ell_1 (طرح مسئله، بدون اثبات) · ۱۰′ لب: JL روی دادهٔ مصنوعی و اندازه‌گیری حفظ فاصله · ۵′.

S10 — دوشنبه ۲۳ آذر · جعبه‌ابزار جبرخطی

۲۰′ تصویر متعامد، تصویرگر P=UU⊤P = UU^\top، تصویرهای مکرر · ۲۵′ مقدار و بردار ویژه، ماتریس متقارن: پایهٔ متعامد از ویژه‌بردارها، قطری‌سازی A=QΛQ⊤A = Q\Lambda Q^\top ✅ Eigendecomposition · ۲۵′ صورت درجه‌دوم و بیضی‌ها؛ ارتباط با ماتریس کوواریانس · ۱۵′ حل عددی با numpy.linalg.eigh و مقایسه با eig · ۵′. این جلسه عمداً «محاسبه‌گر» است: بقیهٔ فصل جبرخطی (۱۸ صفحه) برای خواندن در خانه است.

S11 — شنبه ۲۸ آذر · SVD و تقریب کم‌مرتبه

۲۵′ سه تبدیل (دوران–مقیاس–دوران)، مقادیر منفرد، رتبه، شبه‌معکوس ✅ Singular-Value-Decomposition, The-Moore-Penrose-Pseudoinverse · ۲۵′ قضیهٔ Eckart–Young و اینکه «بهترین» یعنی کمینهٔ نرم فروبنیوس ✅ Low-Rank-Matrix-Approximation · ۲۵′ لب: فشرده‌سازی تصویر، منحنی خطا برحسب kk ✅ SVD-Image-Compression · ۱۵′ SVD و کمترین مربعات · ۵′.

S12 — دوشنبه ۳۰ آذر · PCA

۲۵′ اشتقاق واریانس‌بیشینه با ضریب لاگرانژ (مقدارویژهٔ ماتریس کوواریانس) ✅ PCA-Part1 · ۲۰′ اشتقاق کمینه‌خطای بازسازی و هم‌ارزی با SVD ✅ PCA-Part2 · ۲۰′ انتخاب تعداد مؤلفه: واریانس تجمعی، scree، خطای بازسازی؛ هشدار دربارهٔ مقیاس‌بندی و تفسیر ✅ Example-Principal-Components-Analysis · ۲۰′ لب: PCA روی ارقام، بازسازی با k=2,10,50k=2,10,50 · ۵′.

S13 — شنبه ۵ دی · خوشه‌بندی طیفی

۲۰′ چرا k-means روی دو هلال شکست می‌خورد: خوشه‌ها در متریک اقلیدسی محدب نیستند ✅ Spectral-Clustering · ۲۵′ گراف شباهت، درجه، لاپلاسین، اتحاد (۱۴٫۶۴) و معنای «تعداد مؤلفه‌های همبند = تعدد مقدارویژهٔ صفر» · ۲۵′ mincut → Ncut → آرام‌سازی تا مسئلهٔ مقدارویژه، f=G−1/2yf = G^{-1/2}y، و اینکه چرا مقیاس‌بندی سطرها لازم است · ۱۵′ لب: هلال‌ها، λ2\lambda_2، ARI، مقایسه با k-means · ۵′. کلید: همان طیفِ S10–S12، این‌بار برای «برش» به‌کار می‌رود؛ جلسهٔ ریاضی‌ترین جلسهٔ ترم است.

S14 — دوشنبه ۷ دی · گراف تصادفی و گذر فاز

۲۰′ مدل G(n,p)G(n,p)، درجهٔ امید (n−1)p(n-1)p، توزیع درجهٔ دوجمله‌ای و حد پواسون ✅ Erdos-Renyi · ۲۵′ مؤلفهٔ یک رأس به‌عنوان فرآیند شاخه‌ای: میانگین فرزند c=npc = np؛ زیربحرانی/بحرانی/فوق‌بحرانی و آستانهٔ p=1/np = 1/n ✅ Phase-Transition · ۲۰′ شبیه‌سازی: اندازهٔ بزرگ‌ترین مؤلفه برحسب pp، مقایسه با نظریه · ۲۰′ جهان کوچک (Watts–Strogatz) و قطر گراف: مرور نیم‌صفحه‌ای ✅ Fundamentals, Introduction-to-NetworkX · ۵′.

S15 — شنبه ۱۲ دی · قدم زدن تصادفی، PageRank، MCMC

۱۵′ قدم زدن تصادفی روی گراف: چرا توزیع مانا πv∝deg⁡v\pi_v \propto \deg v است (بدون ورود به مبانی ماتریس انتقال، که در درس دیگری گفته می‌شود) · ۲۵′ PageRank: پرش تصادفی، P~=(1−α)P+αn11⊤\tilde P = (1-\alpha)P + \frac{\alpha}{n}\mathbf{1}\mathbf{1}^\top، دستگاه (I−(1−α)P)π=αn1\big(I-(1-\alpha)P\big)\pi = \frac{\alpha}{n}\mathbf{1}، مثال عددی سه‌رأسی (π ≈ 0.257, 0.486, 0.257) ✅ Markov-Chains-and-PageRank · ۲۵′ MCMC: مسئلهٔ نمونه‌گیری از π∝f\pi \propto f، متروپلیس–هستینگز (پیشنهاد، نسبت پذیرش، تعادل تفصیلی و اثبات یک‌خطی مانایی)، گیبس به‌عنوان حالت خاص با پذیرش ۱ ✅ همان صفحه، §۵؛ ESL §۸٫۶ · ۲۰′ لب: تکرار توان روی گراف کاراته و نرخ همگرایی + MH روی گاوسی دوبعدی و مقایسهٔ هیستوگرام با چگالی دقیق · ۵′.

S16 — دوشنبه ۱۴ دی · روش‌های کرنلی، جمع‌بندی و راهنمای امتحان

۱۵′ محدودیت مدل خطی: XOR از S3 و هلال‌ها از S13؛ یک مرز خطی در فضای ورودی کافی نیست ✅ Kernel-Trick · ۲۵′ نقشهٔ ویژگی ϕ:X→F\phi:\mathcal{X}\to\mathcal{F} و هزینهٔ آن؛ ترفند کرنل K(x,z)=ϕ(x)⊤ϕ(z)K(x,z)=\phi(x)^\top\phi(z) بدون ساختن ϕ\phi، شرط مرسر و گرام مثبت‌نیمه‌معین · ۲۰′ کرنل‌های رایج (چندجمله‌ای، RBF گاوسی با بُعد نامتناهی)، فاصله در فضای ویژگی، نقش σ\sigma · ۲۰′ یک کاربرد کامل بدون SVM: رگرسیون ریج کرنلی (K+λI)α=y(K+\lambda I)\alpha=y و اشاره به Kernel PCA و Kernel k-means · ۱۰′ جمع‌بندی درس، نقشهٔ مطالب و راهنمای امتحان. (ماشین بردار پشتیبان در این درس گفته نمی‌شود.) کلید: کرنل الگوریتم جدید نیست؛ میان‌بُری برای محاسبهٔ ضرب داخلی در فضای بُعد بالا است، و همین یک جمله، تمام «روش‌های کرنلی» سرفصل را به جبرخطی این درس وصل می‌کند.


۵. تکلیف و ارزیابی

هفت تکلیف عملی، هر دو هفته یکی؛ بدون سمینار و بدون پروژه.

موردانتشارموعدموضوع
HW1S1S3قطعه‌بندی تصویر با k-means + جدول inertia؛ تمرین Otsu ✅ HWs/otsu-thresholding-exercise.md
HW2S3S5رگرسیون خطی: معادلات نرمال در برابر GD و SGD، سپس پرسپترون روی دادهٔ دوبعدی و مقایسهٔ شمار خطاها با کران (R/γ)2(R/\gamma)^2
HW3S5S7اعتبارسنجی: ARI/NMI/silhouette روی دادهٔ واقعی + انتخاب KK با سه معیار
HW4S7S9سلسله‌مراتبی یا k-medoids: دندروگرام، تفسیر، مقایسهٔ linkageها
HW5S9S11بُعد بالا یا SVD: شبیه‌سازی تمرکز فاصله‌ها / فشرده‌سازی تصویر و انتخاب رتبه
HW6S11S13PCA: انتخاب مؤلفه با دو معیار و مقایسه با بازسازی زیرفضای تصادفی
HW7S13S15خوشه‌بندی طیفی در برابر k-means + گراف تصادفی: گذر فاز

وزن پیشنهادی: تکالیف ۵۰٪ · امتحان پایانی ۵۰٪.

قواعد تکلیف برای مخاطب ریاضی-با-کد-ضعیف: کد می‌تواند از نوت‌بوک درس شروع شود، ولی تغییر پارامتر و تفسیر عددی الزامی است؛ هر تکلیف یک پرسش «چرا» دارد که پاسخ آن معادله است، نه کد. مهلت‌ها ۲۴ ساعت بعد از جلسهٔ اعلام‌شده بسته می‌شوند (مطابق سرفصل).


۶. پوشش سرفصل

#بند سرفصلجایگاهوضعیت
۱فضای بُعد بالاS8، S9کامل
۲SVD و بهترین زیرفضا (PCA، رتبه‌بندی، بهینه‌سازی گسسته)S10–S12 (+ GMM در Clustering-Part1)کامل؛ GMM/EM فقط مرور
۳گراف‌های تصادفی (اردوش–رنی، گذر فاز، جهان کوچک)S14کامل
۴قدم زدن تصادفی / زنجیر مارکفی / MCMC / PageRankS15کامل برای قدم زدن، PageRank و MCMC؛ مبانی ماتریس انتقال در درس دیگر
۵یادگیری ماشین (ERM، آکام، پرسپترون، GD/SGD، SVM و کرنل، boosting، VC)S3، S4، S16فشرده و هدفمند؛ پرسپترون/SGD کامل، کرنل کامل، VC شهودی؛ SVM حذف (درس دیگر)
۶خوشه‌بندی (k-means، طیفی، تُنُک، جریانی، موضعی، اصول موضوع)S1، S2، S5–S7، S13کامل؛ تُنُک/جریانی/موضعی مطالعهٔ آزاد
۷HMM، مدل‌های گرافی، انتقال پیام—خارج از برنامه؛ صفحهٔ Course-Synthesis پل می‌زند و HMM در درس‌های دیگر گفته می‌شود
۸رتبه‌بندی/بازیابی، بردار تُنُک، نمونه‌برداری فشردهS9، S15کامل برای CS و PageRank؛ LSA مطالعهٔ آزاد

جمع‌بندی عددی: ۸ بند؛ ۵ بند کامل یا کامل-پس-از-بازنویسی، ۱ بند فشرده اما با هستهٔ کامل (بند ۵)، ۱ بند محدود به قدم زدن/PageRank/MCMC (بند ۴)، ۱ بند خارج از برنامه (بند ۷). با احتساب مطالعهٔ آزاد، ۷ بند از ۸ لمس می‌شوند و بند ۷ صریحاً به درس بعدی موکول شده است — این، پیامد مستقیم حذف SVM و مبانی مارکف و فشرده‌سازی پنج جلسهٔ آخر به سه جلسه است.


۷. محتوایی که باید نوشته شود

#صفحهوضعیتلازم برایتخمین
1learning/Linear-Regression-Perceptron-and-Online-Learning.ipynbنوشته شد (رگرسیون + SGD + پرسپترون + یادگیری آنلاین، با شبیه‌سازی کران)S3، HW2✅
2learning/MLP-and-Backpropagation.ipynbآماده (از درس یادگیری ماشین، عنوان و تصاویر اصلاح شد)S4✅
3learning/Kernel-Trick.mdآماده (از درس یادگیری ماشین؛ تمرین و منابع افزوده شد)S16✅
4random-graphs/Phase-Transition.ipynbنوشته شد (فرآیند شاخه‌ای، گذر فاز، آستانهٔ پیوند، جهان کوچک)S14✅
5learning/Learning-Foundations.mdنوشته شد (ERM، همگرایی یکنواخت، VC، تفکیک داده)خواندن برای S3✅
6learning/Boosting-Ranking-Voting.mdنوشته شد (مرور boosting، رتبه‌بندی، رأی‌گیری)مطالعهٔ آزاد✅
7high-dimensional-spaces/Gaussian-Mixtures-and-EM.ipynbندارد (بخشی از Clustering-Part1)اختیاری۴ ساعت

قاعدهٔ زمانی: هر صفحه دو هفته پیش از جلسهٔ خودش نوشته شود تا کلاس و کتاب هم‌گام بمانند. با این جدول، بار تولید محتوا ۴ ساعت است و آن هم صفحهٔ اختیاری GMM/EM؛ همهٔ صفحات لازم برای S1 تا S16 آماده‌اند.


۸. فهرست حذف اضطراری (به ترتیب) و ریسک‌ها

۱. روش‌های کرنلی (S16) ← خواندن هدایت‌شده از Kernel-Trick + یک اسلاید. (۲۰ دقیقه آزاد می‌شود.) ۲. نمونه‌برداری فشرده (بخش دوم S9) ← فقط طرح مسئله در یک اسلاید. ۳. جهان کوچک (پایان S14) ← حذف کامل. ۴. MCMC (بخش سوم S15) ← فقط نسبت پذیرش و یک اسلاید؛ صفحه برای خواندن می‌ماند.

هرگز حذف نشود: S2 (اعتبارسنجی)، S3 (رگرسیون/SGD/پرسپترون)، S10 (جبرخطی/eigen)، S13 (طیفی)، S15 (PageRank) — این‌ها ستون ریاضی درس‌اند و سرفصل صریحاً آن‌ها را می‌خواهد.

ریسک‌ها

  • نبود پیش‌زمینهٔ پایتون: ۲۵ دقیقهٔ لب ممکن است به رفع اشکال نصب بگذرد. پاسخ: نوت‌بوک‌های آماده + ۳۰ دقیقهٔ ذخیرهٔ هر جلسه + ساعت اداری دستیار؛ کد نوشتن از صفر در کلاس ممنوع.

  • عقب‌افتادگی یک جلسه: ۴۸۰ دقیقهٔ ذخیرهٔ جلسه‌ای + فهرست بالا.

  • سنگینی S3: سه موضوع (رگرسیون، SGD، پرسپترون) در یک جلسه. پاسخ: نوتبوک یکپارچه است و معادلات نرمال در خانه خوانده می‌شود؛ اگر لازم شد، لبِ XOR به خانه منتقل می‌شود.

  • نبود HMM: با یک اسلاید در S16 و صفحهٔ Course-Synthesis پل زده می‌شود؛ ادعای پوشش کامل بند ۷ سرفصل را نمی‌کنیم.

  • امتحان: راهنمای امتحان در S16 با تأکید روی S2، S3، S10، S13، S15 نوشته می‌شود.


۹. سه قاعدهٔ کلاس برای این مخاطب

  1. هر ادعا با یک عدد. در این درس دانشجو ریاضی می‌داند؛ چیزی که کم دارد شهودِ محاسباتی است. پس هر مفهوم با یک آزمایش کوچک روی داده همراه می‌شود، حتی ۵ خط.

  2. کد آماده، تغییر پارامتر. هدف درس «مبانی ریاضی» است؛ نوشتن الگوریتم از صفر در تکلیف تمرین می‌شود، نه در کلاس. هر نوتبوک درس باید در کمتر از یک دقیقه اجرا شود.

  3. معادله، سپس تصویر. ابتدا صورت مسئلهٔ ریاضی (تابع هدف، قید، برش، توزیع مانا)، سپس شکل. این ترتیب برعکس درس یادگیری ماشین است و آگاهانه انتخاب شده.